AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Машинное обучение

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Машинное обучение — техническая основа ИИ в образовании: алгоритмы, которые выводят паттерны, предсказания и политики из образовательных данных, а не из закодированных вручную правил. Оно охватывает обучение с учителем (классификация студентов из группы риска, предсказание оценок), обучение без учителя (обнаружение кластеров учащихся), обучение с подкреплением (формирование политик тьюторства и скаффолдинга) и глубокое обучение (нейронные модели для последовательностей, курсов и визуального поведения). Генеративный ИИ — самое новое и самое заметное подмножество, но оно лежит поверх гораздо более старого стека предсказательных и адаптивных механизмов.

Вопросы для размышления

  • Вы, скорее всего, сталкивались с рекомендательными системами или оценками риска, которые «научились» на данных. Насколько вам комфортно, что модель решает что-то о вас (например, флаг риска или рекомендуемый путь), опираясь исключительно на паттерны в исторических данных?
  • Страница проводит резкую границу между предсказанием риска и фактическим вмешательством — оценка риска говорит вам, что студент может провалиться, но не говорит, что с этим делать. Где вы видели, как предсказание подавалось так, будто оно уже является решением?
  • Машинное обучение может «взломать» собственную награду: ИИ-тьютор, оптимизирующий вовлечённость, может развлекать студентов, мало уча их. Если система выглядит измеримо успешной, но педагогически вредна, какие меры следует отслеживать помимо числа, которое она оптимизирует?
  • Предсказательные модели, обученные на исторических оценках, могут кодировать системную предвзятость, а автоматический прокторинг повышает риски ложных срабатываний, неверно помечая нормальное поведение. Когда данные несут предвзятости прошлого, в какой степени следует доверять ИИ, использующему их для высокоставочных образовательных решений?
  • Некоторые ИИ-системы превосходят интерпретируемые человеком методы, но остаются непрозрачными — вы видите, что они работают, но не понимаете почему. В образовании, когда интерпретируемость — это «желательное дополнение», а когда она обязательна?
  • Генеративный ИИ часто рассматривается как совершенно новое явление, но страница трактует его как самое новое подмножество машинного обучения. Как изменение взгляда на ChatGPT как на часть тех же предсказательных и адаптивных механизмов меняет то, какие риски и ограничения вы ожидали бы от него унаследовать?

Введение

Машинное обучение — это то, что превращает образовательные следы в действенное знание. Оно питает модели студентов за адаптивными системами, информационные панели Аналитика обучения, которые помечают учащихся из группы риска, интеллектуальных тьюторов, которые выбирают следующую задачу или опору, и системы автоматического прокторинга, отслеживающие удалённые экзамены. Во всех синтезированных здесь статьях паттерн един: собрать данные об учащихся, выучить на них предсказательную или решающую модель и действовать на основании этой модели — будь то действие раннего предупреждения, рекомендация курса, адаптивный скаффолдинг или наблюдение на экзамене.

Что машинное обучение делает в образовании

Предсказательное моделирование успеха студентов. Контролируемые классификаторы — логистическая регрессия, случайный лес, SVM, метод k ближайших соседей — выявляют студентов из группы риска до того, как они отчислятся, используя записи об учебной успеваемости, демографии и зачислении. Более продвинутые архитектуры идут дальше: трансформер TRACE совместно предсказывает курсы, которые студент будет изучать, и оценки, которые он получит в следующем семестре, моделируя одновременность совместно изучаемых курсов вместо того, чтобы рассматривать историю как плоскую последовательность. Гибриды оптимизатора и последовательностей, такие как рамка DMO-GRU в интерактивном онлайн-обучении, сочетают автоматический отбор признаков и настройку гиперпараметров с рекуррентными сетями для достижения высокой точности и низкой ошибки в предсказании вовлечённости и успеваемости. Общее стремление — «точное образование»: непрерывная стратификация риска и цифровые двойники студентов, которые предвосхищают провал и согласуют траектории с результатами, переводя учреждения от реактивного исправления к превентивной поддержке. Прозрачные модели могут здесь выстоять: Zhang, Jeffries и Koprinska (2025) показывают, что внутренне интерпретируемые деревья решений — подрезанные отбором признаков всего до 3–5 листовых узлов — предсказывают прогресс студентов на уровне модулей в крупномасштабных онлайн-курсах по программированию так же точно, как непрозрачные случайные леса и SVM (85–91% точности), что является доказательством того, что интерпретируемость не обязательно приходится приносить в жертву предсказательной силе в приложениях раннего предупреждения. Древовидные модели также оказываются эффективны для оценки сложности заданий: Razavi и Powers (2026) подавали извлечённые LLM когнитивные и лингвистические признаки в случайные леса и машины градиентного бустинга, чтобы предсказать сложность заданий по математике и чтению для K-5 (N = 5 170), достигая корреляций до r = 0,87 при более низких RMSE/MAE, чем прямые оценки LLM, фиктивные регрессоры, базовые линии TF-IDF и модели только по метаданным. Древовидные модели дали также интерпретируемую важность признаков — класс и число слов были главными предикторами, — показывая, как структурированные признаки вместе с интерпретируемыми обучающими алгоритмами могут превзойти единое целостное суждение. Слияние Мультимодальный ИИ данных расширяет этот предсказательный инструментарий: Bird (2026) сливает дообученный трансформер ELECTRA с найденной поиском глубокой нейронной сетью над признаками компьютерной лингвистики, чтобы классифицировать английскую литературу по Key Stage в Великобритании при F1 0,996 — значительно выше лучшего унимодального трансформера (BERT, 0,75) и лучшей сети лингвистических признаков (0,392), — конкретный случай, когда объединение семейств моделей превосходит любой отдельный подход. Sukoon (Bashir и Afzal, 2026) — компактный прикладной случай контролируемой классификации в поддержке Благополучие, смежной с образованием: случайный лес (100 оценщиков) по 20 признакам из психологического, физиологического, экологического, академического и социального измерений опроса о стрессе среди студентов с 1 100 ответов, обученный на стратифицированном разбиении 70/15/15 с масштабировщиком, подогнанным только на обучающих данных, чтобы избежать утечки, и сравнённый с SVM на тех же разбиениях (89,09% против 88,48% точности). Две детали стоит отметить: авторы интерпретируют матрицу ошибок по направлению ошибки — главная ошибка модели заключалась в классификации низкого стресса как умеренного, что при применении в сфере благополучия направляет студента к большей, а не меньшей поддержке, — и они используют собственную важность признаков как содержательный результат (артериальное давление 15,6%, отношения между преподавателем и студентом 10,0%), признавая при этом, что единое стратифицированное разбиение без интервалов k-кратной кросс-валидации и непредставительная выборка ограничивают достоверность этих весов.

Адаптивное обучение и тьюторство. Машинное обучение замыкает контур между моделированием и обучением. В интеллектуальных тьюторских системах и эвристика байесовского отслеживания знаний, и глубокая политика Обучение с подкреплением адаптивно отбирали типы разобранных примеров для вызова разных уровней когнитивной вовлечённости, значительно улучшая результаты посттеста относительно неадаптивного контроля, — при этом две политики расходились в зависимости от предшествующих знаний учащегося, что поднимает вопросы интерпретируемости. Обучение с подкреплением лежит также в основе повестки педагогической безопасности: поскольку RL-тьютор оптимизирует награду-суррогат, он может «взломать» эту награду (повышая вовлечённость при малом обучении), и архитектурные ограничения на соблюдение предварительных требований и минимальную когнитивную нагрузку необходимы, чтобы сохранить его безопасным. Более лёгкие адаптивные программы, такие как основанная на правилах система STEM в естествознании шестого класса, показывают, что машинное обучение можно использовать скупо — для мониторинга, а не для прямого управления траекторией, — продолжая при этом поддерживать глубокое обучение.

Со стороны Трассирование знаний, Pradeesh и др. (2026) показывают, что рекуррентную модель можно настроить на собственную структуру учебного плана: их модель OKT рассматривает результаты курса в рамках Outcome-Based-Education как понятия знаний, связывает проверенные экспертами отображения аффинности OBE (отношения между результатами курса и программы) с нейронной сетью с дополненной памятью для межрезультатного влияния и соединяет основу GRU с адаптированными к предметной области встраиваниями BERT, — достигая AUC 89,81% и превосходя DKT, DKVMN, EKT и SimpleKT на реальных данных инженерной программы.

Диагностика по табличным числовым ответам. Yin и др. (2026) показывают, что деревья с градиентным бустингом решают диагностическую сторону тьюторства в области, долго закрытой для ИИ: для Calculated Formula Questions по инженерной экономике, где рукописные решения студентов не имеют структурированных цифровых данных, они обучают отдельную многометочную основу XGBoost на каждый вопрос, чтобы отображать поданные промежуточные и итоговые числовые ответы в метки ошибок по рубрике преподавателя (средняя точность 0,81, полнота 0,79, accuracy 0,65). Аугментация данных случайным маскированием — маскирование входных признаков до «NaN» с разной вероятностью — сохраняет логические зависимости табличных решений лучше, чем методы интерполяции вроде SMOTE, и значительно улучшает диагностику, а включение промежуточных ответов помогает больше всего. Это доказательство, что древовидные модели вместе с учитывающей структуру аугментацией могут заложить основу обратной связи тьюторства там, где генеративные методы испытывают недостаток обучающих данных.

Обзорную картину подмножества RL даёт систематический обзор Riedmann, Schaper и Lugrin (2025) 89 исследований RL в образовании: он подтверждает, что RL — крупная линия развития ML для формирования адаптивных политик тьюторства и скаффолдинга, но обнаруживает, что классические методы (Q-обучение) действуют последовательнее, чем глубокое RL (61% против 36% значимого превосходства), и отмечает, что более половины исследований не проводят статистического тестирования, — методологическое предостережение, перекликающееся с описанными ниже опасениями по поводу валидации.

От предсказания к действию и подотчётности. Устойчивое ограничение — разрыв между оценкой риска и осуществимым вмешательством. Рамка SC2R связывает калиброванную предсказательную модель с генерацией контрфактических рекомендаций целочисленным программированием и семантической валидацией, создавая планы вмешательства, которые уважают ограничения по срокам, бюджету и доступности, а не просто являются валидными для модели. Этот шаг «за пределы предсказания» к уважающим ограничения машинно проверяемым рекомендациям — ответ поля на упрёк, что предсказательный ИИ в образовании может рекомендовать действия, которые учреждения не могут или не должны предпринимать.

Машинное обучение в прокторинге

Отдельное приложение — автоматический прокторинг экзаменов. Системы на глубоком обучении — CNN и RNN/LSTM, анализирующие движения глаз, позу головы и выражения лица, — обнаруживают обман надёжнее традиционного наблюдения, однако десятилетний систематический обзор обнаруживает устойчивые ограничения данных, оценки отдельных моделей, пробелы воспроизводимости и риски ложных срабатываний, способные неверно пометить нормальное поведение. Сопутствующий обзор академической нечестности документирует методы обмана, против которых такие системы должны действовать (подмена личности, использование браузера, копирование-вставка), и практические трудности — стоимость, связь, тревожность сдающих, — которые ограничивают их справедливость. Вместе они предостерегают, что прокторинг на ML должен сочетаться с Приватность-сохраняющим, учитывающим контекст проектированием и доступными альтернативами.

Ограничения и этические проблемы

Синтезированная литература откровенна об ограничениях машинного обучения. Прирост часто опирается на данные Бенчмарк или отдельного учреждения и может не обобщаться без переобучения; SC2R и TRACE оба признают это. Предсказательные модели, обученные на историческом оценивании, могут кодировать системную предвзятость, а оценки риска, применяемые к чувствительным данным студентов, поднимают проблемы Приватность и равного доступа, требующие Управление ИИ и человеческого надзора. Интерпретируемость — постоянное напряжение: политики RL могут превосходить интерпретируемые эвристики, оставаясь непрозрачными. А взлом награды показывает, что система ML может быть измеримо успешной при педагогическом вреде, — именно поэтому архитектурные ограничения безопасности и инфраструктура аудита имеют значение.

Практика валидации — ещё один источник самоуверенности. Schuetze, Yan и Carvalho (2025) показывают, что модели отслеживания знаний (BKT, BKT с забыванием, AFM) кажутся улавливающими тенденции обучения при ретроспективной подгонке ко всем доступным сессиям, однако при кросс-валидации по времени (walk-forward) — обучении на более ранних сессиях для предсказания более поздних, что mirrors реальное развёртывание, — они переоценивают будущую успешность, упускают эффект распределения во времени и неверно упорядочивают условия практики; модели без забывания даже сравнялись с моделями с забыванием, указывая, что забывание было поглощено в другие параметры, а не выучено. Когда распределения обучения и развёртывания разделены во времени — что является нормой для лонгитюдных данных студентов, — сильная внутривыборочная или ретроспективная подгонка не гарантирует предсказательной валидности.

Генеративный ИИ как подмножество

Генеративный ИИ — большие языковые модели и связанные системы LLM — лучше всего понимать как подмножество машинного обучения: те же нейронные и обучающие основы, но применённые к генерации содержания (объяснений, обратной связи, диалога), а не к классификации или предсказанию. Он наследует проблемы валидности, предвзятости и безопасности этого поля, добавляя новые, такие как галлюцинация. Для целей этой базы знаний машинное обучение — более широкий технический зонт; генеративный ИИ — его самый заметный современный отросток.

Подготовка преподавателей и грамотность в машинном обучении

Машинное обучение появляется в образовании также как предмет. В начальной подготовке преподавателей практические вмешательства по программированию и робототехнике с использованием Micro:bit и проекты контролируемой классификации изображений значительно улучшили знания будущих преподавателей о вычислительных понятиях и начальном машинном обучении, а также их отношение к его преподаванию. По мере того как ИИ-грамотность входит в учебные планы, оснащение преподавателей рабочим пониманием машинного обучения становится предварительным условием для обучения ему студентов. Противоположный путь достигает тех же понятий без какого-либо программного обеспечения: в онлайн-профессиональном развитии Sung и Gunpinar (2026) десять педагогов K-12 построили вручную «объяснимую матрицу признаков» — таблицу да/нет по признакам формы, которая и есть классификатор, проверяемую и пересматриваемую, а не непрозрачную, — с игрой на сортировку Code.org и Google Slides в качестве единственных инструментов. Их ИИ-самоэффективность выросла с умеренно-низкого (M = 3,13) до умеренно-высокого (M = 3,71), а отрицательные дескрипторы в задаче словесных ассоциаций упали с 30% участников до нуля, хотя доказательства малы, неконтролируемы и целиком основаны на самоотчёте.

Связанные понятия

Связанные статьи

Метаданные

Технологии и методыТехнологии, Генеративный ИИ, Аналитика обучения, Машинное обучение, Моделирование учащегося и адаптивное обучение
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.